遥感图像变化检测是指根据给定的同一地区不同时刻的遥感图像,利用变化检测技术找到几幅图像之间的变化部分和未变化部分。传统的基于像素的变化检测算法以单独每个像素点为基本的分析单元,在应用到中高分辨率遥感图像时,不能较好的顾及到每个像素点附近的邻域信息。而传统的基于目标的变化检测算法虽然能够利用到像素点周围的上下文信息,在这一点上,更加适合处理高分辨率遥感图像。但是,针对分割后的不规则的目标进行变化检测分析时,一些传统方法由于过度依赖于手工设计的特征提取算子,特征提取不够充分,因此限制了此类方法的变化检测精度。深度神经网络具有强大的非线性特征处理和映射能力,能够将原始输入数据变换到抽象语义空间,通过对数据的深层语义特征进行对比分析,得到更加准确的变化检测结果。本文针对现有的基于像素和基于目标的变化检测算法在处理高分辨率遥感图像时存在的问题,主要研究了基于全连接条件随机场的SAR图像变化检测算法、基于超像素分割和深度学习的多光谱图像变化检测算法。针对传统的基于像素的SAR图像变化检测算法不能够充分利用像素点的邻域信息这一缺点,提出了一种基于全连接条件随机场的后处理方法,目的是对SAR图像的变化检测初始结果做进一步的优化。具体做法是,利用变化检测差异图和初始变化检测二值图,以每个像素点为节点,建立一个全连接条件随机场,通过最小化全连接条件随机场的吉布斯能量,得到每个像素点的优化后的标签,从而得到精度更高的变化检测结果。针对现有的基于目标的变化检测算法对目标特征提取不充分的缺点,提出了结合超像素分割和深度神经网络特征提取的多光谱遥感图像变化检测方法。为了从两幅遥感图像中得到具有一致分割边界的成对超像素,采用了一种简单有效的策略:直接对差异图像进行分割得到分割边界,然后利用分割边界分别对两幅图像进行分割。因为分割出的每个超像素具有不同的形状和大小,为了避免手工提取特征,设计了一个超像素特征编码网络,可以直接以不规则的超像素作为输入,直接提取超像素的抽象特征,最后利用这些抽象特征进行变化检测,突破了传统的手工设计特征提取算子的性能瓶颈,提高了变化检测的精度。在多组真实的SAR和多光谱数据集上,将本文算法和与几种经典变化检测算法进行对比实验,定性和定量的实验结果都证明了本文所提出的算法的有效性,可以更高效的解决高分辨率遥感图像的变化检测问题。